(Studi Kasus: Pasien HIV/ADS di RSUD RAA Soewondo Pati Tahun 2015-2019)
TUGAS AKHIR
16 611 080
JURUSAN STATISTIKA
YOGYAKARTA
2020
i
ANALISIS SURVIVAL TERHADAP PASIEN HIV/AIDS
MENGGUNAKAN REGRESI COX PROPORTIONAL HAZARD
TUGAS AKHIR
16 611 080
JURUSAN STATISTIKA
YOGYAKARTA
2020
i
HALAMAN PERSETUJUAN PEMBIMBING
TUGAS AKHIR
Pembimbing
ii
HALAMAN PEN
iii
KATA PENGANTAR
iv
selalu mendoakan agar penulis diberikan kemudahan dan kelancaran dalam
penyusunan tugas akhir ini
8. Sahabat terkasih Ngegas Club yaitu Fauziyah Dewi Nisrina, Widia Nusalina
Risqi, Rizky Desi Ramadhani dan Rizqi Ananda Safitri terimakasih atas
perhatian dan kebaikannya.
9. Teman-teman bimbingan TA, Teman KKN 59 terutama unit 168, Annisa
Ayunda Permata Sari, Sasa Tian Dhani dan Yuda Khoirul Zikri yang selalu
memberikan semangat, masukan, saran, dan motivasi untuk penulis dalam
menyelesaikan tugas akhir ini.
10. Kawan-kawan Statistika UII Angkatan 2016 (ARTCOS) yang sedari awal
berjuang bersama demi gelar S.Stat, terimakasih telah menghabiskan wakru
4 tahun menimba ilmu bersama.
11. Semua pihak yang telah membantu yang tidak dapat penulis sebutkan satu
persatu. Semoga Allah SWT selalu memberi rahmat serta anugerah-Nya
kepada mereka tanpa henti. Aamiin.
Penulis menyadari bahwa tugas akhir ini masih memiliki kekurangan. Hal
tersebut dikarenakan keterbatasan ilmu dan pengetahuan yang dimiliki penulis
semata. Segala kritik dan saran yang sifatnya membangun selalu penulis harapkan.
Semoga penelitian ini dapat bermanfaat dan memberikan khasanah pengetahuan
bagi penulis khususnya dan bagi semua yang membutuhkan umumnya.
Penulis
v
DAFTAR ISI
vi
3.4.2 Waktu Survival ................................................................................ 16
3.4.3 Penyensoran Data ............................................................................ 17
3.4.4 Fungsi Survival ............................................................................... 18
3.4.5 Fungsi Hazard ................................................................................. 19
3.5 Kaplan Meier .......................................................................................... 20
3.6 Regresi Cox Proportional Hazard ......................................................... 21
3.7 Kejadian Bersama dalam Partial Likelihood ......................................... 22
3.7.1 Metode Partial Likelihood Breslow ................................................ 22
3.7.2 Metode Partial Likelihood Efron .................................................... 23
3.7.3 Metode Partial Likelihood Exact .................................................... 24
3.8 Pengujian Parameter ............................................................................... 24
3.8.1 Uji Serentak (overall)...................................................................... 25
3.8.2 Parsial .............................................................................................. 26
3.9 Pemilihan Model Terbaik ....................................................................... 26
3.10 Pengujian Asumsi Proportional Hazard ................................................ 27
3.11 Interpretasi Model Regresi Cox.............................................................. 28
BAB IV METODOLOGI PENELITIAN ......................................................... 29
4.1 Populasi dan Sampel Penelitian ............................................................. 29
4.2 Jenis dan Sumber Data ........................................................................... 29
4.3 Variabel Penelitian ................................................................................. 29
4.4 Definisi Operasional Variabel ................................................................ 30
4.5 Metode Analisis Data ............................................................................. 32
4.6 Tahapan Penelitian ................................................................................. 32
BAB V HASIL DAN PEMBAHASAN .............................................................. 35
5.1 Analisis Statistika Deskriptif .................................................................. 35
5.2 Analisis Kaplan Meier............................................................................ 40
5.3 Estimasi Paramter Regresi Cox dengan Pendekatan Breslow ................ 42
5.4 Pengujian Keberartian Parameter Regresi Cox dengan Pendekatan
Breslow .............................................................................................................. 45
5.4.1 Uji Secara Simultan (Overall) ......................................................... 45
5.4.2 Uji Parsial ........................................................................................ 46
5.5 Estimasi Paramter Regresi Cox dengan Pendekatan Efron .................... 49
vii
5.6 Pengujian Keberartian Parameter Regresi Cox dengan Pendekatan Efron
………………………………………………………………………….52
5.6.1 Uji Secara Simultan (Overall) ......................................................... 52
5.6.2 Uji Parsial ........................................................................................ 53
5.7 Estimasi Paramter Regresi Cox dengan Pendekatan Exact .................... 56
5.8 Pengujian Keberartian Parameter Regresi Cox dengan Pendekatan Exact
………………………………………………………………………….60
5.8.1 Uji Secara Simultan (Overall) ......................................................... 60
5.8.2 Uji Parsial ........................................................................................ 61
5.9 Pemilihan Model Terbaik ....................................................................... 63
5.10 Pengujian Asumsi Proportional Hazard ................................................ 64
5.11 Interpretasi Parameter Cox Proportional Hazard .................................. 65
5.12 Model Regresi Cox Berdasarkan Demografi .......................................... 66
BAB VI PENUTUP ............................................................................................. 68
6.1 Kesimpulan ............................................................................................. 68
6.2 Saran ....................................................................................................... 70
DAFTAR PUSTAKA .......................................................................................... 71
LAMPIRAN ......................................................................................................... 36
viii
DAFTAR TABEL
ix
DAFTAR GAMBAR
x
DAFTAR LAMPIRAN
xi
PERNYATAAN
xii
ANALISIS SURVIVAL TERHADAP PASIEN HIV/AIDS MENGGUNAKAN
REGRESI COX PROPORTIONAL HAZARD
INTISARI
HIV atau Human Immunodeficiency Virus adalah sejenis virus yang menginfeksi
sel darah putih yang menyebabkan turunnya kekebalan tubuh manusia. AIDS atau
Acquired Immune Syndrome merupakan sekumpulan gejala penyakit yang timbul
karena turunnya kekebalan tubuh yang disebabkan oleh infeksi HIV. Gejala utama
HIV/AIDS yaitu penurunan berat badan lebih dari 10% dalam waktu yang singkat,
diare tinggi berkepanjangan dan demam berkepanjangan. Jumlah infeksi HIV di
kabupaten Pati selama tahun 2018 sebanyak 118 kasus dan AIDS sebanyak 116
kasus. Kasus HIV/AIDS merupakan fenomena gunung es yang artinya jumlah
kasus yang dilaporkan hanya sebagian kecil dari yang terjadi di masyarakat. Tujuan
dari penelitian ini adalah untuk mengetahui faktor yang mempengaruhi lama
bertahan hidup pasien HIV/AIDS di RSUD RAA Soewondo Pati Tahun 2015-2019.
Analisis yang digunakan adalah regresi cox proportional hazard. Pada data lama
bertahan hidup pasien HIV/AIDS terdapat kemungkinan terjadinya ties, maka
terdapat beberapa metode dalam menentukan estimasi parameter partial likelihood
yaitu breslow, efron dan exact. Hasil analisis dari ketiga metode tersebut diketahui
persamaan regresi cox proportional hazard yang terbaik yaitu menggunakan
metode exact dan terdapat tiga faktor yang mempengaruhi lama pasien HIV/AIDS
bertahan hidup yaitu status bekerja, stadium dan berat badan. Model yang
didapatkan yaitu ℎ(𝑡, 𝑋) = ℎ0 (t)exp(−1.01006𝑋5(𝑇𝑖𝑑𝑎𝑘𝐵𝑒𝑘𝑒𝑟𝑗𝑎) −
0.90120𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚𝑅𝑖𝑛𝑔𝑎𝑛) + 0.01661𝑋8 ). Interpretasi persamaan model regresi
cox proportional hazard pasien yang tidak memiliki pekerjaan memiliki
kesempatan meninggal lebih kecil sebesar 2.746 kali, pasien dengan stadium ringan
memiliki kesempatan meninggal lebih kecil 2.46 kali dan semakin bertambahnya
berat badan pasien risiko meninggal 1.01675 kali lenih besar.
Kata kunci : HIV/AIDS, Regresi Cox Proportional Hazard, Breslow, Efron, Exact
xiii
SURVIVAL ANALYSIS OF HIV/AIDS PATIENTS USING HAZARD COX
PROPORTIONAL REGRESSION
ABSTRACT
HIV or Human Immunodeficiency Virus is a type of virus that infects white blood
cells which causes a decrease in human immunity. AIDS or Acquired Immune
Syndrome is a collection of disease symptoms that arise due to decreased immunity
caused by HIV infection. The main symptoms of HIV/AIDS are weight loss of more
than 10% in a short time, prolonged diarrhea and prolonged fever. The number of
HIV infections in Pati district in 2018 was 118 cases and AIDS cases were 116
cases. HIV/AIDS cases are an iceberg phenomenon which means that the number
of reported cases is only a small fraction of what has happened in the community.
The purpose of this study was determine the factors that influence the length of
survival of HIV/AIDS patients in RAA Soewondo Pati Hospital in 2015-2019. The
analysis used is cox proportional hazard regression. In the long-standing data of
HIV/AIDS patients there is a possibility of a tie, so there are several methods in
determining the estimation of partial likelihood parameters, ie breslow, efron, and
exact. The results of the analysis of the three methods are known to be the best cox
proportional hazard regression equation using the exact method and there are three
factors that influence the length of HIV/AIDS patients survival ie work status, stage
and weight. The model obtained is h(t, X) = h0 (t)exp(−1.01006X5(notworking) −
0.90120X7(lightstadium) + 0.01661X 8 ). Interpretation of the equation of the cox
proportional hazard regression model of patients who do not have a job has a
smaller chance of death by 2.746 times, patients with light stadium have a smaller
chance of death 2.46 times and the increasing weight of the patient the risk of death
1.01675 times greater.
xiv
BAB I
PENDAHULUAN
1
2
Menurut Taylor, dkk. (1989) yang dikutip dalam Widiyanti dan Hutapea
(2015) target utama dari HIV yaitu populasi CD4 yang berfungsi
mengkoordinasikan sejumlah fungsi imonulogis, sehingga jumlah dan fungsi CD4
menurun dan menyebabkan gangguan respon imun dominan yang progresif. Jumlah
CD4 yang normal berkisar antara 410-1590 sel/mL darah. Ketika jumlah CD4
dibawah 350 sel/mL maka kondisi tersebut sudah dianggap sebagai AIDS (Pohan,
2006).
Di Indonesia, lima provinsi dengan jumlah infeksi HIV terbesar adalah Jawa
Timur, DKI Jakarta, Jawa Barat, Jawa Tengah, dan Papua. Berdasarkan data yang
ada, provinsi dengan kasus AIDS terbanyak adalah Jawa Tengah, Jawa Barat dan
Papua (Kemenkes RI, 2018). Jumlah kasus baru HIV tahun 2018 pada provinsi
Jawa Tengah sebesar 2.564 kasus, lebih tinggi dibandingkan dengan penemuan
kasus HIV di tahun 2017. Penemuan kasus HIV pada laki – laki lebih banyak
dibandingkan pada perempuan (61,90 persen). Bila dilihat berdasarkan umur, maka
penderita HIV terbanyak yaitu dengan umur 25 – 49 tahun sebesar 71,02 persen.
Untuk jumlah kasus baru AIDS (Acquired Immuno Deficiency Syndrome) tahun
2018 sebesar 1.854 kasus, lebih banyak dibandingkan tahun 2017 yaitu 1.409 kasus.
Berdasarkan kelompok umur, jumlah kasus terbanyak terdapat pada umur 25-49
tahun sebanyak 73,57 persen. Berdasarkan jenis kelamin, kasus pada laki-laki lebih
banyak dibandingkan kasus pada perempuan sebesar 61,70 persen (Dinkes Jateng,
2018).
Dalam buku profil kesehatan kabupaten Pati, jumlah infeksi HIV Kabupaten
Pati yang dilaporkan selama tahun 2018 sebanyak 118 kasus dan kasus AIDS 116
kasus, hal tersebut meningkat jika dibandingkan dengan tahun 2017 yaitu sebanyak
33 orang terkena infeksi HIV dan 115 kasus AIDS. Kasus HIV/AIDS merupakan
fenomena gunung es, artinya kasus yang dilaporkan hanya sebagian kecil yang ada
di masyarakat (Dinkes Pati, 2018). Menurut data Badan Pusat Statistik Provinsi
Jawa Tengah pada tahun 2018 kabupaten Pati menduduki peringkat ke-5 dengan
pasien HIV/AIDS terbesar di Jawa Tengah.
Menurut (Kleinbaum dan Klein, 2005), analisis survival adalah metode
statistika yang digunakan untuk menggambarkan analisis data yang berhubungan
3
dengan waktu, mulai dari waktu awal (time origin) sampai terjadinya suatu
peristiwa khusus (event) atau waktu akhir penelitian (end point). Analisis survival
bertujuan untuk menganalisa data pada suatu kejadian sehingga dapat diketahui
variabel apa saja yang mempengaruhi. Menurut Latan (2014) yang dikutip dari
Utami (2015) menyatakan bahwa regresi cox adalah salah satu analisis survival
yang dapat diimplementasikan dengan proporsional model hazard yang didesain
untuk menganalisis waktu hingga event atau waktu antara event. Dalam regresi cox
menggunakan banyak faktor di dalam model, untuk berbagai prediktor variabel
regresi cox akan menghasilkan estimasi dari berapa banyak prediktor yang akan
meningkatkan atau menurunkan odds dari event yang terjadi.
Selain mencari faktor apa saja yang berpengaruh dari data penyakit HIV
AIDS di RSUD RAA Soewondo Pati, ada salah satu asumsi yang harus dipenuhi
dalam regresi cox, yaitu asumsi proportional hazard. Menurut Collet (2004), dalam
mengetahui hubungan antara variabel dependen (dipengaruhi) dengan variabel
independen (mempengaruhi) digunakan regresi cox proportional hazard dan dalam
regresi tersebut tidak diperlukan asumsi distribusi. Nilai hazard ratio yang
diperoleh digunakan untuk membandingkan antara fungsi hazard individu satu
dengan individu lainnya. Nilai dari hazard ratio merupakan nilai yang proportional
pada setiap individu (Kleinbaum dan Klein, 2005).
Waktu ketahanan pasien dari di diagnosa HIV/AIDS hingga mengalami event
yaitu meninggal (dalam hari) digunakan peneliti sebagai variabel dependen. Untuk
variabel independen yang digunakan yaitu usia, jenis kelamin, status pernikahan,
pendidikan, status pekerjaan, faktor risiko penularan, stadium, berat badan, infeksi
oportunistik dan status tuberculosis mengacu pada penelitian sebelumnya yang
dilakukan oleh Rahmanika (2016). Penulis memilih variabel usia karena
bertambahnya umur mempengaruhi pemulihan kekebalan imunitas pada tubuh.
Variabel usia dipilih karena pada saat sebelum masa reproduksi, sistem imun
perempuan dan laki-laki sama namun mulai berbeda ketika memasuki masa
reproduksi. Variabel status pernikahan dipilih karena pasien yang belum menikah
nudah terpengaruh stigma dan hal negatif yang terkait dengan HIV sehingga
mampu memberikan pengaruh pada retensi pengobatan. Variabel pendidikan
4
Penelitian yang dilakukan penulis kali ini mengacu pada referensi jurnal serta
skripsi yang berhubungan dengan penelitian yang akan dilakukan. Adapun tinjauan
pustaka yang berhubungan dengan penelitian tentang HIV/AIDS maupun tentang
metode regresi cox proportional hazard sebagai berikut:
Penelitian yang dilakukan oleh Munfaridah dan Indriani (2016) dengan judul
“Analisis Kecenderungan Survival Penderita HIV (+) dengan Terapi ARV
Menggunakan Aplikasi Life Table”. Adapun penelitian survival penderita HIV
dianalisis dalam interval waktu 5 tahun dengan pencatatan waktu terjadinya event
(AIDS) dengan satuan bulanan. Penelitian tersebut menggunakan unit data dari
populasi penderita HIV positif yang melakukan pemeriksaan ke RSUP Dr. Kariadi
Semarang pada tahun 2008 – 2012. Hasil yang diperoleh yaitu kecenderungan
survival penderita HIV yang memulai ART dengan jumlah CD4 rendah mengalami
AIDS dalam rentan waktu 7,5 bulan. Peluang terjadinya AIDS berdasarkan grafik
fungsi survival pada Pendidikan rendah adalah survival menurun 50% terjadi pada
10 bulan pertama setelah terdiagnosa positif HIV. Penderita yang memulai terapi
ARV dengan CD4 rendah mengalami penurunan waktu survival sebanyak 30%
pada 5 bulan pertama didiagnosa positif HIV.
Penelitian yang dilakukan Hiola, dkk. (2016) dengan judul “Pemodelan
Kasus HIV/AIDS Menggunakan Cox Proportional Hazard”. Pada penelitian
tersebut data yang digunakan adalah data sekunder berupa data rekam medis
penderita HIV/AIDS yang dimulai dari Januari 2008 sampai dengan Desember
2012 sebanyak 90 pasien. Variabel prediktor diukur dari awal terdiagnosis
HIV/AIDS. Hasil yang didapat dari penelitian yang dilakukan yaitu semakin lama
pasien menderita HIV/AIDS maka probabilitas survival pasien semakin kecil,
namun resiko kematian disebabkan HIV/AIDS semakin tinggi. Faktor yang
berpengaruh terhadap survival pasien HIV/AIDS yaitu pendidikan, pekerjaan,
kadar CD4, dan status fungsional.
7
8
menjalani ART hingga masuk stadium AIDS adalah status CD4 awal, stadium
klinis, cara penularan, jenis kelamin, pendidikan, umur, dan status bekerja.
Penelitian yang dilakukan Rosella (2013) dengan judul “Faktor-Faktor yang
Berpengaruh Terhadap Harapan Hidup 5 Tahun Pasien Human Immunodeficiency
Virus (HIV) / Acquired Immune Deficiency Syndrome (AIDS) Di RSUP Dr. Kariadi
Semarang”. Penelitian yang digunakan menggunakan uji chi-square. Dari
penelitian yang dilakukan didapatkan hasil faktor-faktor yang berpengaruh
terhadap harapan hidup 5 tahun pasien HIV/AIDS di RSUD Dr. Kariadi Semarang
yaitu jumlah CD4 dan stadium klinis, sedangkan faktor yang tidak berpengaruh
yaitu jenis kelamin dan usia.
Penelitian yang dilakukan Dukalang (2019) dengan judul “Analisis Regresi
Cox Proportional Hazard Pada Pemodelan Waktu Tunggu Mendapatkan
Pekerjaan”. Dari penelitian yang telah dilakukan diperoleh hasil variabel yang
berpengaruh signifikan terhadap selang waktu tunggu sarjana dalam memperoleh
pekerjaan yaitu asal SLTA SMA dan SMK, informasi lowongan pekerjaan melalui
koneksi, kesesuaian pekerjaandengan bidang ilmu serta pengalaman kerja. Nilai
hazard ratio informasi lowongan pekerjaan sebesar 0,455 artinya sarjana yang
mendapat informasi lowongan pekerjaan melalui koneksi memiliki kemungkinan
0,4555 kali untuk mendapatkan pekerjaan pertama dibanding dengan sarjana yang
mendapat informasi dengan mendatangi instansi secara langsung.
Penelitian yang dilakukan Fa’riah dan Purhadi (2012) dengan judul “Analisis
Survival Faktor-Faktor yang Mempengaruhi Laju Kesembuhan Pasien Penderita
Demam Berdarah Dengue (DBD) di RSU Haji Surabaya dengan Regresi Cox”. Dari
penelitian yang dilakukan didapatkan hasil faktor-faktor yang diduga
mempengaruhi laju kesembuhan pasien DBD adalah usia dan trombosit kurang dari
150000/mm3. Risiko sembuh pasien dengan usia satu tahun lebih tua akan lebih
lama dari pada usia pasien yang lebih muda dan risiko untuk mencapai sembuh
pasien dengan trombosit di bawah normal juga akan lebih lama dibanding yang
normal.
Penelitian yang dilakukan Rahmadeni dan Ranti (2016) dengan judul
“Perbandingan Model Regresi Cox Menggunakan Estimasi Parameter Efron
10
dan WHO clinical stage. Dengan α = 5% diperoleh variabel yang signifikan yaitu
employment status, functional status, WHO stage, Ols, TB co-infection dan CD4
count. Dari hasil tersebut diperoleh kesimpulan terdapat enam variabel yang
mempengaruhi waktu lama bertahan hidup pasien di rumah sakit militer ethiopia.
BAB III
LANDASAN TEORI
3.1 HIV/AIDS
3.1.1 Pengertian HIV/AIDS
HIV atau Human Immunodeficiency adalah sejenis virus yang
menyerang/menginfeksi sel darah putih yang menyebabkan kekebalan tubuh
manusia menjadi turun. (Kemenkes RI, 2014). HIV merupakan virus sitopatik
diklasifikasikan dalam family Retroviridae, subfamily Lentiviranae, genus
Lentivirus (Nasronudin, 2007). Menurut KPAD Kabupaten Jember (2015) orang
yang di dalam darahnya terdapat virus HIV tetap dapat tampak sehat, namun
meskipun tampak sehat orang tersebut dapat menularkan virus yang ada kepada
orang lain bila melakukan hubungan seks berisiko dan berbagi penggunaan alat
suntik.
AIDS atau Acquired Immune Deficiency Syndrome adalah sekumpulan gejala
penyakit yang timbul karena turunnya kekebalan tubuh yang disebabkan infeksi
oleh human immunodeficiency virus. Sebelum memasuki fase AIDS, penderita
terlebih dahulu dinyatakan sebagai HIV positif (Kemenkes RI, 2014). Menurut
KPAD Jember yang dikutip dari Gunawan, dkk. (2016) akibat menurunnya
kekebalan tubuh pada seseorang maka orang tersebut mudah terkena penyakit
seperti TBC, saluran pernapasan, kandidiasis, paru dan kanker.
3.1.2 Epidemiologi HIV/AIDS
Secara global, diperkirakan terdapat 42 juta orang hidup dengan virus HIV.
Hampir di semua pelosok dunia, infeksi baru terjadi pada usia muda antara 15-24
tahun, namun kadang kala lebih muda. Kawasan Asia dan Pasifik merupakan urutan
kedua setelah sub-sahara Afrika, merupakan wilayah dengan infeksi HIV yang
berkembang sangat cepat, hamper 60 persen dari populasi di dunia (Nasronudin &
Maramis, 2007).
Epidemi HIV/AIDS juga menjadi masalah di Indonesia yang merupakan
negara dengan urutan ke-5 paling berisiko HIV/AIDS di Asia (Kemenkes RI, 2013).
12
13
Di Indonesia HIV pertama kali dilaporkan di Bali pada April 1987 dan terjadi pada
orang Belanda. Pada tahun 1999 terdapat 635 kasus HIV dan 183 kasus baru AIDS.
Mulai tahun 2000-2005 terjadi peningkatan kasus HIV secara signifikan di
Indonesia. Kasus AIDS tahun 2000 tercatat 255, meningkat menjadi 316 orang pada
tahun 2003, dan meningkat cepat menjadi 2638 orang pada tahun 2005 (Widiyono,
2011)
3.1.3 Etiologi HIV/AIDS
Pada tahun 1983, ilmuwan Perancis Montagnier mengisolasi virus dari pasien
dengan gejala limfadenopati dan menemukan virus HIV. Oleh sebab itu virus
tersebut dinamakan lymphotropic associated virus (LAV). Di tahun 1984, Gallo
yang berasal dari National Institute of Health menemukan virus human T
lymphotropic virus (HTLV-III) yang juga menyebabkan AIDS (Widiyono, 2011).
Menurut United States Preventive Services Task Force (2011) berdasarkan
strukturnya, HIV masuk ke dalam famili retrovirus yang merupakan kelompok
virus RNA dengan berat molekul 0,7 kb (kilobase). Virus tersebut terdiri dari 2
grup, yaitu HIV-1 dan HIV-2. Diantara kedua grup tersebut, virus yang paling
banyak menimbulkan kelainan dan lebih ganas adalah grup HIV-1.
3.1.4 Patofisiologi Infeksi HIV
Menurut Kummar, dkk. (2015) yang dikutip dari Yuliyanasari (2017) Infeksi
HIV di jaringan memiliki dua target utama yaitu system imun dan sistem saraf
pusat. Gangguan yang terjadi pada sistem imun mengakibatkan kondisi
imunodefisiensi pada cell mediated immunity yang mengakibatkan hilangnya sel T
CD4+ dan ketidaksinambungan fungsi ketahanan sel T helper. HIV masuk ke dalam
tubuh manusia melalui berbagai cara yaitu vertikal, horizontal dan transeksual. Jadi
HIV dapat mencapai sirkulasi sistemik secara langsung dengan diperantarai benda
tajam yang mampu menembus dinding pembuluh darah atau secara tidak langsung
melalui kulit dan mukosa yang tidak intak seperti yang terjadi pada kontak seksual.
Selama dalam sirkulasi sistemik terjadi viremia dengan disertai gejala dan tanda
infeksi virus akut seperti panas tinggi mendadak, nyeri kepala, muntah, dan lain-
lain. Pada vase ini mulai terjadi penurunan CD4 dan peningkatan HIV-RNA Viral
load. Fase selanjutnya, HIV akan berusaha masuk ke dalam sel target. Sel yang
14
menjadi target HIV adalah sel yang mampu mengekspresikan reseptor CD4
(Nasronudin, 2007).
Diketahui bahwa sejumlah mekanisme untuk menurunkan CD4 dapat
diinduksi oleh infeksi langsung dan destruksi oleh human immunodeficiency virus
(HIV). Kombinasi dari patogenesis virus dan respon dari kekebalan tubuh yang
terjadi selama infeksi mempengaruhi perkembangan dari stadium lanjut penyakit
yang merupakan suatu kompleks dan bervariasi (Longo, dkk, 2011).
objek/individu tidak mengalami event sampai waktu t, maka fungsi survival 𝑆(𝑡)
dinyatakan sebagai berikut:
𝑆(𝑡) = 𝑃(𝑇 ≥ 𝑡)
∞
= ∫𝑡 𝑓(𝑥)𝑑𝑥 (3.1)
𝑆(𝑡) = 𝑃(𝑇 ≥ 𝑡)
= 1 − 𝑃(𝑇 ≤ 𝑡)
= 1 − 𝐹(𝑡)
𝐹(𝑡) = 1 − 𝑆(𝑡)
𝑑(𝑆(𝑡))
𝑓(𝑡) = −
𝑑𝑡
𝐹′ (𝑡) 𝑓(𝑡)
= = 𝑆(𝑡) (3.4)
𝑆(𝑡)
= ∏𝑘𝑗=1 𝑝̂𝑗
𝑛𝑗 −𝑑𝑗
= ∏𝑘𝑗=1 ( ) (3.5)
𝑛𝑗
Ketika semua nilai 𝑥 = 0 maka Rumus 3.6 akan tereduksi menjadi fungsi dasar
hazard, sehingga diperoleh rumus sebagai berikut:
22
i 1 2 3 4
ti 5 5 6 7
exp(𝛽𝑆𝑘 )
𝐿(𝛽𝐵𝑟𝑒𝑠𝑙𝑜𝑤 ) = ∏𝑖∈𝐷 𝑑𝑘 (3.8)
[∑𝑖∈𝑅 exp(𝛽𝑋𝑖 )]
𝑡𝑖
23
di mana :
exp(𝛽𝑆𝑘 )
𝐿(𝛽𝑒𝑓𝑟𝑜𝑛 ) = ∏𝑖∈𝐷 𝑑𝑘 𝑗−1
(3.9)
∏𝑖=1[∑𝑖∈𝑅𝑡 exp(𝛽𝑋𝑖 )− ∑ exp(𝛽𝑋𝑖 )]
𝑖 𝑑𝑘 𝑖𝜖𝐷𝑘
di mana :
exp(𝛽𝑆𝑘 )
𝐿(𝛽𝐸𝑥𝑎𝑐𝑡 ) = ∏𝑖∈𝐷 ∑ (3.10)
𝑖∈𝑅𝑡𝑖,𝑑𝑘 exp(𝛽𝑋𝑖 )
di mana :
signifikansi yang dilakukan yaitu uji secara simultan (overall) dan uji parsial
(Kleinbaum dan Klein, 2005)
3.8.1 Uji Serentak (overall)
Uji serentak bertujuan untuk mengetahui pengaruh variabel independen
secara serentak atau bersama-sama terhadap variabel dependen (waktu survival).
Model yang telah diperoleh perlu diuji signifikansi pada koefisien 𝛽 terhadap
variabel dependen atau variabel respon. Pengujian secara secara serentak dilakukan
menggukanan partial likelihood ratio dengan langkah sebagai berikut:
1. Hipotesis
𝐻0 :𝛽1 = 𝛽2 = ⋯ = 𝛽𝑝 = 0 (Secara simultan variabel independen tidak
berpengaruh terhadap variabel dependen)
𝐻1 : Minimal terdapat satu 𝛽𝑗 ≠ 0,dengan 𝑗 = 1,2, … , 𝑝 (Minimal terdapat
satu variabel independen yang berpengaruh secara simultan terhadap
variabel dependen)
2. Tingkat Signifikansi
𝛼 = 5% = 0.05
3. Daerah Kritis
2
H0 ditolak jika G ≥ 𝑋(𝛼,𝑑𝑏=𝑝) atau p-value < α.
4. Statistik Uji
𝐺 = −2[ln 𝐿𝑅 − ln 𝐿𝑓 ] (3.11)
G merupakan statistik uji secara simultan (overall), LR yaitu model awal
partial likelihood, dan Lf merupakan model akhir partial likelihood.
5. Keputusan
2
H0 ditolak, karena G ≥ 𝑋(𝛼,𝑑𝑏=𝑝) atau p-value < α
6. Kesimpulan
Ketika H0 ditolak, dapat disimpulkan bahwa minimal terdapat satu
variabel independen berpengaruh terhadap waktu survival atau variabel
dependen.
26
3.8.2 Parsial
Uji parsial bertujuan untuk mengetahui variabel independen yang
berpengaruh secara nyata. Dalam mengetahui apakah variabel independen
berpengaruh secara nyata maka dalam uji parsial digunakan uji wald. Statistik uji
parsial dinotasikan dengan Z yang mengikuti disribusi normal standar, sehingga
dibandingkan dengan tabel nilai 𝑍𝛼/2. Perbandingan 𝑍𝛼/2 karena hipotesis alternatif
pada uji parsial adalah dua sisi.
1. Hipotesis
𝐻0 : 𝛽𝑗 = 0 dengan 𝑗 = 1,2 … , 𝑝 (variabel independen 𝑗 tidak berpengaruh
terhadap waktu survival)
𝐻1 : 𝛽𝑗 ≠ 0, dengan 𝑗 = 1,2, … , 𝑝 (variabel independen 𝑗 berpengaruh
terhadap waktu survival)
2. Tingkat Signifikansi
𝛼 = 5% = 0.05
3. Daerah Kritis
H0 ditolak jika |𝑍| > 𝑍𝛼/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼,
4. Statistik Uji
̂
𝛽
𝑍 = 𝑆𝐸(𝛽𝑗̂ ) (3.12)
𝑗
merupakan proses eliminasi dengan cara memasukkan semua variabel ke model dan
dilakukan eliminasi satu persatu variabel berdasarkan kriteria keputusannya.
Metode AIC merupakan metode yang dapat digunakan untuk memilih model
regresi terbaik yang dikemukakan oleh Akaike dan Schwarz (Grasa, 1989). Model
terbaik didapatkan pada nilai AIC yang paling kecil. Collect (2004) menguraikan
cara untuk memilih beberapa model untuk memilih model terbaik sebagai berikut:
𝐴𝐼𝐶 = −2𝑙𝑛𝐿̂ + 2𝑘 (3.13)
dimana :
𝐿̂: Nilai likelihood
𝑘: Banyaknya parameter 𝛽.
3.10 Pengujian Asumsi Proportional Hazard
Dalam melakukan pengecekan asumsi proportional hazard dilakukan
menggunakan penaksiran goodness of fit. Dibanding dengan metode grafis, statistik
uji pada evaluasi asumsi menggunakan penaksiran goodness of fit lebih lebih
objektif. Statistik uji yang digunakan yaitu schoenfeld residuals. Nilai Schoenfeld
residuals sebagai berikut: (Kleinbaum dan Klein, 2005)
𝑟𝑗𝑖 = 𝛿𝑖 {𝑥𝑖𝑗 − 𝑎̂𝑖𝑗 } (3.14)
̂ 𝑥𝑗
∑𝑖∈𝑅𝑡 𝑥𝑖𝑗 𝑒𝑥𝑝𝛽
𝑗
Dengan, 𝑎̂𝑗𝑖 = ̂ 𝑥𝑗
∑𝑖∈𝑅𝑡 𝑒𝑥𝑝𝛽
𝑗
Dimana,
𝛿𝑖 : Status individu bernilai 0 jika tersensor dan 1 jika tidak tersensor
𝑥𝑖𝑗 : Nilai variabel independen ke-i, i = 1,2, . . . , p untuk individu ke-j
𝑎̂𝑖𝑗 : Rataan terboboti dari variabel independen ke-i untuk individu
dalam 𝑅(𝑡𝑗 )
𝑅(𝑡𝑗 ) : Himpunan individu yang berisiko mengalami event saat 𝑡𝑗 .
Jika asumsi proportional hazard terpenuhi maka schoenfeld residuals untuk
kovariat tersebut tidak akan berkorelasi dengan peringkat waktu survival, adapun
langkah pengujiannya sebagai berikut:
a. Mencari model cox proportional hazard dan menghitung schonefeld
residuals pada masing-masing individu pada setiap kovariat.
28
29
30
1 = TB Negatif
Mulai
Pengumpulan Data
Analisis Deskriptif
Pengujian Parameter
Selesai
1. Pengumpulan Data
Pada tahap ini, penulis mengumpulkan data yang akan digunakan dalam
analisis. Data yang digunakan yaitu data HIV/AIDS yang diperoleh dari
data rekam medis RSUD RAA Soewondo Pati.
2. Analisis Deskriptif
Analisis deskriptif digunakan untuk memberikan gambaran umum
mengenai data yang digunakan. Analisis deskriptif yang digunakan yaitu
menggunakan diagram.
3. Estimasi Parameter Regresi Cox
Estimasi parameter digunakan untuk mengetahui varibel mana saja yang
berpengaruh terhadap lama waktu bertahan hidup pasien. Estimasi yang
dilakukan menggunakan pendekatan breslow, efron dan exact.
4. Penyusunan Persamaan Regresi Cox
Penyusunan persamaan regresi cox dilakukan berdasarkan nilai AIC
terkecil. Dari beberapa pendekatan yang dilakukan dipilihlah nilai AIC
terkecil untuk dibentuk sebuah persamaan regresi cox terbaik.
5. Pengujian Parameter
Pengujian parameter dilakukan dengan uji serentak dan uji parsial. Hal ini
dilakukan apakan variabel tersebut berpengaruh secara signifikan atau
tidak.
6. Pengujian Asumsi Proportional Hazard
Dalam analisis survival menggunakan regresi cox dibutuhkan sebuah
asumsi proportional hazard.
7. Interpretasi Model Cox Proportional Hazard
Interpretasi dilakukan dengan melihat hazard ratio karena mampu
menunjukkan peningkatan/penurunan risiko sebuah individu yang diberi
perlakuan tertentu.
34
Pada bab ini akan dibahas mengenai faktor-faktor yang mempengaruhi lama
waktu bertahan hidup pasien HIV/AIDS menggunakan regresi cox proportional
hazard dengan metode pendekatan breslow, efron dan exact. Dalam penelitian ini
event atau kejadiannya adalah ketika pasien dinyatakan meninggal karena penyakit
HIV/AIDS.
Dari Tabel 5.1 diatas diperoleh informasi bahwa rata-rata waktu survival
pasien HIV/AIDS yaitu 587,4 hari dengan waktu minimal yaitu 9 hari dan maksimal
1820 hari. Pasien HIV/AIDS rata-rata berumur 42,17 tahun dengan pasien paling
muda berumur 0.08 tahun atau 1 bulan dan paling tua berumur 71 tahun. Untuk
berat badan pasien mempunyai rata-rata 50,96 kg dengan berat badan terkecil 5 kg
dan berat badan terbesar yaitu 75 kg.
35
36
perhitungan regresi karena bila HIV/AIDS diikuti oleh virus lain diduga akan
mempercepat terjadinya kematian.
pasien. Untuk pasien yang tertular melalui homoseksual sebanyak 4 pasien, melalui
biseksual sebanyak 3 pasien. Pasien dengan risiko penularan melalui perinatal
sebanyak 1 pasien dan yang tidak diketahui risiko penularannya sebanyak 1 pasien.
Pada Gambar 5.10 dapat dilihat bahwa kurva kaplan meier pada pasien
dengan usia lebih dari 35 tahun cenderung berada diatas kurva survival pasien yang
memiliki berusia dibawah 35 tahun. Dari grafik tersebuk menunjukkan bahwa
peluang survival pasien HIV/AIDS yang berusia lebih dari 35 tahun lebih rendah
dibandingkan pasien yang berumur kurang dari sama dengan 35 tahun. Hal ini
diduga pasien berumur dibawah 35 tahun memiliki daya tahan tubuh yang lebih
baik dibandingkan pasien dengan umur diatas 35 tahun.
Pada Gambar 5.11 dapat dilihat bahwa kurva kaplan meier pada variabel
status pekerjaan dengan kategori pekerjaan tidak bekerja cenderung berada diatas
kurva survival pasien yang memiliki pekerjaan. Dari grafik tersebuk menunjukkan
bahwa peluang survival pasien HIV/AIDS yang memiliki pekerjaan lebih rendah
dibandingkan pasien yang tidak bekerja. Hal ini diduga pasien yang memiliki
pekerjaan cenderung mengalami kesibukan yang lebih padat sehingga pasien yang
tidak bekerja lebih rutin menjalani pengobatan dibandingkan pasien yang memiliki
pekerjaan.
Pada Gambar 5.12 dapat dilihat bahwa kurva kaplan meier pada variabel
status pernikahan salin berhimpitan. Hal ini diduga bahwa tidak ada perbedaan
waktu survival pasien HIV/AIDS yang sudah menikah dan belum menikah.
Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X1 0.02624 1.027 0.01369 1.917 0.05521 Gagal Tolak
H0
X2 0.004052 1.004 0.2952 0.014 0.98905 Gagal Tolak
(Laki-Laki) H0
X3 -0.01848 0.9817 0.4055 -0.046 0.96365 Gagal Tolak
(Belum H0
Menikah)
Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X6 (Biseksual) -0.1142 0.8920 0.7110 -0.161 0.87234 Gagal Tolak
H0
X6 (Perinatal) -13.74 0.0000010 2847 -0.005 0.99615 Gagal Tolak
81 H0
X6 0.9323 2.540 1.171 0.769 0.42602 Gagal Tolak
(Tidak H0
Diketahui)
Ringan)
Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X5 (Pekerjaan -1.00934 0.36446 0.38408 -2.628 0.00859 Tolak H0
Tidak Bekerja)
c. Daerah Kritis
|𝑍| > 𝑍0.05/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 0.05, H0 ditolak
d. Statistik Uji
p-value = 0.00859
𝛽̂5(𝑝𝑒𝑘𝑒𝑟𝑗𝑎𝑎𝑛𝑑𝑒𝑛𝑔𝑎𝑛𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖𝑡𝑖𝑑𝑎𝑘𝑏𝑒𝑘𝑒𝑟𝑗𝑎)
𝑍=| |
𝑆𝐸(𝛽̂5(𝑝𝑒𝑘𝑒𝑟𝑗𝑎𝑎𝑛𝑑𝑒𝑛𝑔𝑎𝑛𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖𝑡𝑖𝑑𝑎𝑘𝑏𝑒𝑘𝑒𝑟𝑗𝑎) )
−1.00934
𝑍=| |
0.38408
𝑍 = 2.628
e. Keputusan
Tolak H0, karena p-value < tingkat signifikansi atau |𝑍| > 𝑍0.05/2
f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka tolak H0, karena nilai p-value <
tingkat signifikansi, yaitu 0.00859 < 0.05 atau |𝑍| > 𝑍0.05/2, yaitu 2.628 >
1.96. Maka diperoleh kesimpulan bahwa terdapat data yang mendukung
nilai H1, sehingga menyebabkan variabel pekerjaan dengan kategori tidak
bekerja berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
2. Variabel Stadium Klinis dengan Kategori Stadium Ringan
a. Hipotesis
𝐻0 : 𝛽7 = 0 (Variabel stadium dengan kategori stadium ringan, tidak
berpengaruh terhadap lama hidup pasien HIV/AIDS)
𝐻1 : 𝛽7 ≠ 0 (Variabel stadium dengan kategori stadium ringan berpengaruh
terhadap lama hidup pasien HIV/AIDS)
b. Tingkat Signifikansi
𝛼 = 5% = 0.05
c. Daerah Kritis
|𝑍| > 𝑍0.05/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 0.05, H0 ditolak
d. Statistik Uji
p-value = 0.00156
𝛽̂7(𝑠𝑡𝑎𝑑𝑖𝑢𝑚𝑑𝑒𝑛𝑔𝑎𝑛𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖𝑠𝑡𝑎𝑑𝑖𝑢𝑚𝑟𝑖𝑛𝑔𝑎𝑛)
𝑍=| |
𝑆𝐸(𝛽̂7(𝑠𝑡𝑎𝑑𝑖𝑢𝑚𝑑𝑒𝑛𝑔𝑎𝑛𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖𝑠𝑡𝑎𝑑𝑖𝑢𝑚𝑟𝑖𝑛𝑔𝑎𝑛) )
48
−0.90017
𝑍=| |
0.28449
𝑍 = 3.164
e. Keputusan
Tolak H0, karena p-value < tingkat signifikansi atau |𝑍| > 𝑍0.05/2
f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka tolak H0, karena nilai p-value <
tingkat signifikansi, yaitu 0.00156 < 0.05 atau |𝑍| > 𝑍0.05/2, yaitu 3.164 >
1.96. Maka diperoleh kesimpulan bahwa terdapat data yang mendukung
nilai H1, sehingga menyebabkan variabel stadium dengan kategori stadium
ringan berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
3. Variabel Berat Badan
a. Hipotesis
𝐻0 : 𝛽8 = 0 (Variabel berat badan tidak berpengaruh terhadap lama hidup
pasien HIV/AIDS)
𝐻1 : 𝛽8 ≠ 0(Variabel berat badan berpengaruh terhadap lama hidup pasien
HIV/AIDS)
b. Tingkat Signifikansi
𝛼 = 5% = 0.05
c. Daerah Kritis
|𝑍| > 𝑍0.05/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 0.05, H0 ditolak
d. Statistik Uji
p-value = 0.14571
𝛽̂8(𝐵𝑒𝑟𝑎𝑡𝐵𝑎𝑑𝑎𝑚)
𝑍=| |
𝑆𝐸(𝛽̂8(𝐵𝑒𝑟𝑎𝑡𝐵𝑎𝑑𝑎𝑛) )
0.01658
𝑍=| |
0.01140
𝑍 = 1.454
e. Keputusan
Gagal Tolak H0, karena p-value > tingkat signifikansi atau |𝑍| < 𝑍0.05/2
49
f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka tolak H0, karena nilai p-value <
tingkat signifikansi, yaitu 0.14571 > 0.05 atau |𝑍| < 𝑍0.05/2, yaitu 1.454 >
1.96. Maka diperoleh kesimpulan bahwa variabel berat badan tidak
berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
Pada hasil pengujian parsial diatas dapat disimpulkan variabel status
pekerjaan dan stadium klinis berpengaruh secara signifikan terhadap lama bertahan
hidup pasien HIV/AIDS, sedangkan variabel berat badan secara signifikan tidak
berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS. Tetapi variabel berat
badan akan tetap digunakan berdasarkan nilai AIC pada Tabel 5.4 dengan nilai AIC
terkecil yang dapat diartikan sebagai model terbaik.
Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X1 0.02682 1.027 0.01369 1.919 0.05493 Gagal Tolak
H0
X2 (Laki-Laki) 0.005526 1.006 0.2952 0.019 0.98507 Gagal Tolak
H0
X3 -0.01796 0.9822 0.4057 -0.044 0.96469 Gagal Tolak
(Belum Menikah) H0
X4 (SMP) 0.4881 1.629 0.3377 1.445 0.14832 Gagal Tolak
H0
X4 (SMA) 0.2330 1.262 0.3904 0.597 0.55066 Gagal Tolak
H0
50
Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X4 (PT) 0.8405 2.317 0.5469 1.537 0.12432 Gagal Tolak
H0
X5 (Tidak Bekerja) -0.8215 0.4398 0.4221 -1.946 0.05163 Gagal Tolak
H0
X6 (Homoseksual) 1.812 6.122 0.6641 2.728 0.00636 Tolak H0
X6 (Biseksual) -0.1140 0.8923 0.7117 -0.160 0.87274 Gagal Tolak
H0
X6 (Perinatal) -13.74 0.0000 2849 -0.005 0.99615 Gagal Tolak
01081 H0
X6 0.9271 2.527 1.171 0.762 0.42863 Gagal Tolak
(Tidak Diketahui) H0
X7 -0.8615 0.4225 0.3416 -2.522 0.01166 Tolak H0
(Stadium Ringan)
Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X5(Pekerjaan -1.00918 0.36452 0.38409 -2.627 0.00860 Tolak H0
Tidak Bekerja)
a. Hipotesis
𝐻0 = 𝛽5 = 𝛽7 = 𝛽8 = 0 (Variabel independen tidak berpengaruh
terhadap variabel dependen)
𝐻1 : Minimal terdapat satu 𝛽𝑖 ≠ 0,dengan 𝑖 = 5,7,8 (Minimal terdapat
satu variabel independen yang berpengaruh terhadap variabel dependen)
b. Tingkat Signifikansi
𝛼 = 5% = 0.05
c. Daerah Kritis
2
H0 ditolak jika G ≥ 𝑋(0.05,3) atau p-value < α
d. Statistik Uji
p-value = 0.000002
𝐺 = −2[ln 𝐿𝑅 − ln 𝐿𝑓 ]
= −2[−397.3818 − (−382.9083)]
= 28.947
e. Statistik Uji
2
Tolak H0 , karena p-value < α dan G > 𝑋(0.05,3)
f. Kesimpulan
Dengan tingkat signifikansi 0.05 didapatkan kesimpulan H0 ditolak
karena nilai p-value < tingkat signifikansi, yaitu 0.000002 < 0.05 dan
2
nilai G > 𝑋(0.05,3) , yaitu 28.947 > 7.81472. Artinya, terdapat data yang
mendukung nilai H1, sehingga menyebabkan minimal ada salah satu dari
variabel independen berpengaruh terhadap variabel dependen.
5.6.2 Uji Parsial
Selanjutnya dilakukan uji parsial pada variabel yang masuk ke dalam model
terbaik seteleh dilakukan eliminasi backward.
d. Statistik Uji
p-value = 0.00155
𝛽̂7(𝑠𝑡𝑎𝑑𝑖𝑢𝑚𝑑𝑒𝑛𝑔𝑎𝑛𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖𝑠𝑡𝑎𝑑𝑖𝑢𝑚𝑟𝑖𝑛𝑔𝑎𝑛)
𝑍=| |
𝑆𝐸(𝛽̂7(𝑠𝑡𝑎𝑑𝑖𝑢𝑚𝑑𝑒𝑛𝑔𝑎𝑛𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖𝑠𝑡𝑎𝑑𝑖𝑢𝑚𝑟𝑖𝑛𝑔𝑎𝑛) )
−0.90044
𝑍=| |
0.28449
𝑍 = 3.165
e. Keputusan
Tolak H0, katena p-value < tingkat signifikansi atau |𝑍| > 𝑍0.05/2
f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka tolak H0, karena nilai p-value <
tingkat signifikansi, yaitu 0.00155 < 0.05 atau |𝑍| > 𝑍0.05/2, yaitu 3.165
> 1.96. Maka diperoleh kesimpulan bahwa terdapat data yang mendukung
nilai H1, sehingga menyebabkan variabel stadium dengan kategori stadium
ringan berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
3. Variabel Berat Badan
a. Hipotesis
𝐻0 : 𝛽8 = 0 (Variabel berat badan tidak berpengaruh terhadap lama hidup
pasien HIV/AIDS)
𝐻1 : 𝛽8 ≠ 0, (Variabel berat badan berpengaruh terhadap lama hidup pasien
HIV/AIDS)
b. Tingkat Signifikansi
𝛼 = 5% = 0.05
c. Daerah Kritis
|𝑍| > 𝑍0.05/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 0.05, H0 ditolak
d. Statistik Uji
p-value = 0.1450
𝛽̂8(𝐵𝑒𝑟𝑎𝑡𝐵𝑎𝑑𝑎𝑚)
𝑍=| |
𝑆𝐸(𝛽̂8(𝐵𝑒𝑟𝑎𝑡𝐵𝑎𝑑𝑎𝑛) )
0.01659
𝑍=| |
0.01139
56
𝑍 = 1.456
e. Keputusan
Gagal Tolak H0, karena p-value > tingkat signifikansi atau |𝑍| < 𝑍0.05/2
f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka tolak H0, karena nilai p-value <
tingkat signifikansi, yaitu 0.1450 > 0.05 atau |𝑍| < 𝑍0.05/2, yaitu 1.456 >
1.96. Maka diperoleh kesimpulan bahwa variabel berat badan tidak
berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
Pada hasil pengujian parsial diatas dapat disimpulkan variabel status
pekerjaan dan stadium klinis berpengaruh secara signifikan terhadap lama bertahan
hidup pasien HIV/AIDS, sedangkan variabel berat badan secara signifikan tidak
berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS. Tetapi variabel berat
badan akan tetap digunakan berdasarkan nilai AIC pada Tabel 5.7 dengan nilai AIC
terkecil yang dapat diartikan sebagai model terbaik.
Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X1 0.02682 1.027 0.0137 1.919 0.05503 Gagal Tolak
H0
X2 (Laki-Laki) 0.004134 1.004 0.2954 0.014 0.98884 Gagal Tolak
H0
57
Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X3 -0.01869 0.9815 0.4059 -0.046 0.96326 Gagal Tolak
(Belum Menikah) H0
X4 (SMP) 0.4888 1.630 0.3380 1.446 0.14820 Gagal Tolak
H0
X4 (SMA) 0.2345 1.264 0.3907 0.600 0.54839 Gagal Tolak
H0
X4 (PT) 0.8377 2.311 0.5479 1.529 0.12627 Gagal Tolak
H0
X5 (Tidak Bekerja) -0.8237 0.4388 0.4221 -1.951 0.05102 Gagal Tolak
H0
X6 (Homoseksual) 1.814 6.135 0.664 2.722 0.00649 Tolak H0
X6 (Biseksual) -0.1153 0.8911 0.7120 -0.162 0.87137 Gagal Tolak
H0
X6 (Perinatal) -13.73 0.0000 2840 -0.005 0.99614 Gagal Tolak
01090 H0
X6 0.9370 2.552 1.176 0.797 0.42554 Gagal Tolak
(Tidak Diketahui) H0
X7 -0.8622 0.4222 0.3418 -2.523 0.01164 Tolak H0
(Stadium Ringan)
Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X5 (Pekerjaan
-1.101006 0.36420 0.38417 -2.629 0.00856 Tolak H0
Tidak Bekerja)
X7(Stadium
-0.90120 0.40608 0.28459 -3.167 0.00154 Tolak H0
Ringan)
Gagal Tolak
X8 0.01661 1.01675 0.01141 1.456 0.14535
H0
b. Tingkat Signifikansi
𝛼 = 5% = 0.05
c. Daerah Kritis
|𝑍| > 𝑍0.05/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 0.05, H0 ditolak
d. Statistik Uji
p-value = 0.14535
𝛽̂8(𝐵𝑒𝑟𝑎𝑡𝐵𝑎𝑑𝑎𝑚)
𝑍=| |
𝑆𝐸(𝛽̂8(𝐵𝑒𝑟𝑎𝑡𝐵𝑎𝑑𝑎𝑛) )
0.01661
𝑍=| |
0.01141
𝑍 = 1.455
e. Keputusan
Gagal Tolak H0, karena p-value > tingkat signifikansi atau |𝑍| < 𝑍0.05/2
f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka tolak H0, karena nilai p-value <
tingkat signifikansi, yaitu 0.14535 > 0.05 atau |𝑍| < 𝑍0.05/2, yaitu 1.455 >
1.96. Maka diperoleh kesimpulan bahwa variabel berat badan tidak
berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
Pada hasil pengujian parsial diatas dapat disimpulan variabel status pekerjaan
dan stadium klinis berpengaruh secara signifikan terhadap lama bertahan hidup
pasien HIV/AIDS, sedangkan variabel berat badan secara signifikan tidak
berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS. Tetapi variabel berat
badan akan tetap digunakan berdasarkan nilai AIC pada Tabel 5.10 dengan nilai
AIC terkecil yang dapat diartikan sebagai model terbaik.
Efron 771.8166
64
Dari persamaan diatas dapat dilihat bahwa variabel yang paling berpengaruh
adalaj variabel status pekerjaan dengan kategori tidak bekerja. Dengan nilai p-value
< α dan memiliki koefisien negatif paling besar maka variabel status pekerjaan
paling berpengaruh diantara variabel lainnya.
5.10 Pengujian Asumsi Proportional Hazard
Setelah didapatkan model terbaik, selanjutnya dilakukan pengecekan asumsi
proportional hazard. Pengecekan asumsi proportional hazard dapat dilakukan
menggunakan metode goodness of fit, maka diperoleh hasil sebagai berikut:
Tabel 5.12 Nilai P-Value Uji Asumsi Proportional Hazard
Variabel P-Value
X5 0.83
X7 0.84
X8 0.78
e. Keputusan
Variabel P-Value α Keputusan
X5 0.83 > 0.05 Gagal Tolak 𝐻0
X7 0.84 > 0.05 Gagal Tolak 𝐻0
X8 0.78 > 0.05 Gagal Tolak 𝐻0
f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka gagal tolak 𝐻0 , sehingga dapat
disimpulkan bahwa terdapat data yang mendukung nilai 𝐻0 , sehingga
menyebabkan ketiga variabel independen yaitu variabel pekerjaan dan
stadium memenuhi asumsi proportional hazard.
ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp(−1.01006𝑋5(𝑇𝑖𝑑𝑎𝑘𝐵𝑒𝑘𝑒𝑟𝑗𝑎)
− 0.90120𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚𝑅𝑖𝑛𝑔𝑎𝑛) + 0.01661𝑋8 )
Diketahui bahwa nilai exp(coefficient) menunjukkan nilai rasio hazard dari
suatu peubah, sehingga model diatas dapat diinterpretasikan sebagai berikut:
1. Pada variabel pekerjaan memiliki pengaruh negatif, pasien dengan status
pekerjaan tidak bekerja memiliki kesempatan untuk meninggal lebih kecil
1
sebesar = 2.746. Hal tersebut dimungkinkan karena pasien yang
0.36420
event akan berkurang jika hal ini dibarengi dengan keteraturan dan
kepatuhan pasien dalam menjalankan antiretroviral therapy.
3. Pada variabel berat badan memiliki pengaruh postif, semakin bertambahnya
berat badan maka risiko pasien untuk mengalami event (meninggal) lebih
besar sebesar 1.01675 kali.
Dari model yang telah diperoleh, dapat diketahui faktor yang mempengaruhi
survival pasien HIV/AIDS di RSUD RAA Soewondo Pati berdasarkan variabel
demografi usia yaitu status pekerjaan dan stadium.
BAB VI
PENUTUP
6.1 Kesimpulan
Berdasarkan analisis dan pembahasn yang telah dipaparkan pada bab
sebelumnya, diperoleh kesimpulan sebagai berikut:
1. Gambaran umum data pasien penyakit HIV/AIDS di RSUD RAA
Soewondo Pati menggunakan analisis statistika deskriptif. Berdasarkan
analisis statistika deskriptif diperoleh kesimpulan bahwa pasien
HIV/AIDS rata-rata berumur 42,17 tahun dengan pasien paling muda
berumur 1 bulan dan paling tua berumur 71 tahun. Persentase pasien
berjenis kelamin laki-laki sebesar 59% (70 orang) lebih banyak
dibandingkan pasien perempuan. Faktor risiko penularan terbesar yaitu
pada heteroseksual sebesar 112 pasien.
2. Persamaan model regresi terbaik adalah regresi cox proportional hazard
dengan pendekatan exact yang terbentuk sebagai berikut:
ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp(−1.01006𝑋5(𝑇𝑖𝑑𝑎𝑘𝐵𝑒𝑘𝑒𝑟𝑗𝑎)
− 0.90120𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚𝑅𝑖𝑛𝑔𝑎𝑛) + 0.01661𝑋8 )
Berdasarkan persamaan di atas diperoleh faktor-faktor yang
mempengaruhi lama waktu bertahan hidup pasien HIV/AIDS adalah status
pekerjaan, stadium klinis dan berat badan.
3. Nilai hazard ratio pasien dengan status pekerjaan tidak bekerja memiliki
kesempatan meninggal 2.746 kali lebih kecil. Hal tersebut dimungkinkan
karena pasien yang bekerja cenderung mengalami kesibukan yang lebih
padat dibandingkan dengan pasien yang tidak bekerja, faktor tersebut
berpengaruh pada daya tahan tubuh pasien serta kepatuhan pasien pasien
dalam menjalankan terapi. Untuk variabel stadium memiliki pengaruh
negatif, pasien dengan stadium ringan memiliki kesempatan untuk
meninggal lebih kecil sebesar 2,46 kali, semakin bertambahnya stadium
resiko mengalami event akan berkurang jika hal ini dibarengi dengan
keteraturan dan kepatuhan pasien dalam menjalankan antiretroviral
68
69
ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp(0.5344𝑋2(𝐿𝑎𝑘𝑖−𝐿𝑎𝑘𝑖)
− 0.7764𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚𝑅𝑖𝑛𝑔𝑎𝑛) )
Dari model tersebut diketahui faktor yang mempengaruhi survival
pasien HIV/AIDS di RSUD RAA Soewondo Pati berdasarkan variabel
demografi status pekerjaan yaitu jenis kelamin dan stadium.
• Untuk variabel jenis kelamin diperoleh model regresi cox dengan
estimasi exact yang terbentuk adalah sebagai berikut:
ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp(−1.1415𝑋5(𝑇𝑖𝑑𝑎𝑘𝐵𝑒𝑘𝑒𝑟𝑗𝑎)
− 0.8279𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚𝑅𝑖𝑛𝑔𝑎𝑛) )
Dari model tersebut diketahui faktor yang mempengaruhi survival
survival pasien HIV/AIDS di RSUD RAA Soewondo Pati berdasarkan
variabel demografi jenis kelamin yaitu status pekerjaan dan stadium.
• Untuk variabel usia diperoleh model regresi cox dengan estimasi exact
yang terbentuk adalah sebagai berikut:
ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp(−1.1415𝑋5(𝑇𝑖𝑑𝑎𝑘𝐵𝑒𝑘𝑒𝑟𝑗𝑎)
− 0.8279𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚𝑅𝑖𝑛𝑔𝑎𝑛) )
Dari model yang telah diperoleh, dapat diketahui faktor yang
mempengaruhi survival pasien HIV/AIDS di RSUD RAA Soewondo
Pati berdasarkan variabel demografi usia yaitu status pekerjaan dan
stadium.
70
6.2 Saran
Berdasarkan hasil penelitian dan kesimpulan yang diperoleh dari analisis,
maka saran yang dapat diberikan sebagai berikut:
1. Analisis ini dapat digunakan sebagai referensi pada bidang ilmu
kesehatan terutama pada penyakit HIV/AIDS, namun harus tetap
memperhatikan aspek-aspek kesehatan yang terkait dengan bidang ilmu
kesehatan tersebut, sehingga penerapan ilmu statistika dapat digunakan
secara tepat.
2. Untuk penelitian selanjutnya dapat menjadikan penelitian ini sebagai
acuan serta menambahkan variabel prediktor seperti jumlah CD4 pasien
dan kepatuhan pasien dalam menjalani pengobatan.
3. Penerapan analisis survival dalam penelitian ini diharapkan menjadi
pertimbangan untuk pihak-pihak terkait yang menangani penyakit
HIV/AIDS di RSUD RAA Soewondo Pati.
4. Bagi pasien, lebih diperhatikan keteraturan dan kepatuhan dalam
menjalankan pengobatan terkhusus bagi pasien yang memiliki pekerjaan
karena hal tersebut dapat mempengaruhi waktu lama bertahan hidup.
5. Dengan hasil penelitian ini diharapkan masyarakat lebih mengatur dan
mengontrol perilaku sosialnya serta mencegah perilaku negatif yang
dapat berpengaruh terhadap penyebaran HIV/AIDS.
DAFTAR PUSTAKA
Andriyanto, F. (2018). Analisis Lama Waktu Rawat Inap Pasien Stroke Non
Hemoragik Dengan Pendekatan Regresi Cox (Studi Kasus: Pasien Stroke
Non Hemoragik di RSUD Salatiga, Jawa Tengah). Skripsi. Yogyakarta:
Universitas Islam Indonesia.
Badan Pusat Statistik Provinsi Jawa Tengah. (2018). Jumlah Kasus HIV/AIDS, IMS,
DBD, Diare, TB, dan Malaria Menurut Kabupaten/Kota di Provinsi Jawa
Tengah, 2017-2018. Tersedia di:
https://jateng.bps.go.id/dynamictable/2019/02/19/400/jumlah-kasus-hiv-
aids-ims-dbd-diare-tb-dan-malaria-menurut-kabupaten-kota-di-provinsi-
jawa-tengah-2017.html
Bahtiar, R.M. (2018). Analisis Lama Waktu Kesembuhan Pasien Diare Dengan
Pendekatan Efron Metode Regresi Cox Proportional Hazard. Skripsi.
Yogyakarta: Universitas Islam Indonesia.
Collet, D. (2003). Modelling Survival Data in Medical Research. US: Chapman &
Hall
Collet, D. (2004). Modelling Survival Data in Medical Research. US: CRC Press.
Cox, D. (1972). Regression Model and Life Table. J Roy Stat Soc B, 34 , 187-202.
Dewi, F. Nur dan Agustina, Karmelia. (2017). Analisis Sistem Pelayanan Rekam
Medis Rawat Inap di RSUP Dr. Kariadi Semarang Tahun 2016. Jurnal
Vokasi Indonesia.
Dinas Kesehatan Jawa Tengah. (2018). Profil Kesehatan Jawa Tengah Tahun 2018.
Semarang: Dinas Kesehatan Provinsi Jawa Tengah
Dinas Kesehatan Kabupaten Pati. (2018). Profil Kesehatan Kabupaten Pati Tahun
2018. Pati: Dinas Kesehatan Kabupaten Pati.
Dukalang, H. (2019). Analisis Regresi Cox Proportional Hazard Pada Pemodelan
Waktu Tunggu Mendapatkan Pekerjaan. Jambura Journal of Mathematics,
Volume 1 Nomer 1, ISSN:2654-5616.
71
72
Efron, B. (1977). The Efficiency of Cox’s Likelihood Function for Censored Data.
Journal of American Statistical Association, 72, 557-565.
Etikan et. al. (2017). The Kaplan Meier Estimate in Survival Analysis. Cyprus:
Department of Biostatistics, Near East University Faculty of Medicine.
Fa’rifah, R.Y., dan Purhadi. (2012). Analisis Survival Faktor-Faktor yang
Mempengaruhi Laju Kesembuhan Pasien Demam berdarah Dengeu (DBD)
di RSU Haji Surabaya dengan Regresi Cox. Jurnal Sains dan Seni ITS Vol.1,
no.1, ISSN: 2301-928X. Tersedia di:
http://ejurnal.its.ac.id/index.php/sains_seni/article/view/2061.
Grasa, A. A. (1989). Econometric Model Selection: A New Approach, Kluwer.
Gunawan, Tri Yudhi., Prasetyowati, Irma., Ririanty, Mury. (2016). Hubungan
Karakteristik ODHA Dengan Kejadian Loss To Follow Up Terapi ARV Di
Kabupaten Jember. Jurnal IKESMA, Vol.12 no. 1.
Hiola, R., Otok, B. W., & Dukalang, H. (2016). Pemodelan Kasus HIV/AIDS
Menggunakan Cox Proportional Hazard. J Statistika, 23-28.
Imanina, C.H. (2018). Analisis Survival Terhadap Pasien Penyakit Ginjal Kronis
Dengan Menggunakan Cox Regression (Studi Kasus: Pasien Penyakit Ginjal
Kronis di RSUD Arifin Achmad, Pekanbaru, Riau). Skripsi. Yogyakarta:
Universitas Islam Indonesia.
Iskandar, B.M. (2015). Model Cox Proportional Hazard pada Kejadian Bersama.
Skripsi. Yogyakarta: Universitas Negeri Yogyakarta.
Kebebew, K., dan Wencheko, E. (2012). Survival Analysis of HIV-Infected Patients
Under Antiretroviral Treatment at the Armed Forces General Teaching
Hospital, Addis Ababa, Ethiopia. Ethiop J.Health Dev, Vol 26.
Kemenkes RI. (2013). Pedoman Nasional Tes dan Konseling HIV dan AIDS.
Jakarta: Kementerian Kesehatan RI.
Kemenkes RI. (2014). Infodatin: Situasi dan Analisis HIV AIDS. Jakarta:
Kementerian Kesehatan RI.
Kemenkes RI. (2018). Infodatin: Situasi Umum HIV/AIDS dan Tes HIV. Jakarta:
Kementerian Kesehatan RI.
73
Khoiroh, U.M. (2019). Analisis Survival Pada Lama Rawat Inap Pasien
Tuberkulosis Paru Menggunakan Metode Regresi Cox Proportional Hazard.
Skripsi. Yogyakarta: Universitas Islam Indonesia.
Klein, J.P, dan Moeschberger, M.L. (2003). Survival Analysis Techniques
Cencored and Truncated Data. 2nd Edition. New York.
Klein, P., & Moeschberger, L. (2005). Survival Analysis. Techniques for Censored
and Truncated Data 2nd Edition. Springer.
Kleinbaum, D. G., and Klein, M. (2005). Survival Analysis: A Self-Learning Text.
Second Edition. New York: Springer Science and Business Media, Inc.
Kleinbaum, D. G., and Klein, M. (2011). Survival Analysis. New York: Springer
Science and Business Media, Inc.
Kleinbaum, D.G., and Klein, M. (2012) Survival Analysis: A Self-Learning Text.
3rd Edition, Springer, New York.
Komisi Penanggulangan AIDS Kabupaten Jember. (2015). Mengenal &
Menanggulangi HIV & AIDS Infeksi Menular Seksual dan Narkoba. Jember:
Komisi Penanggulangan AIDS Kabupaten Jember
Kumalasari, I. Y. (2013). Perilaku Berisiko Penyebab Human Immunodeficiency
Virus (HIV) Positif . Semarang: Fakultas Ilmu Keolahragaan Universitas
Negeri Semarang.
Kummar, V., Abbas, AK., Aster JC (2015) Robbins and Cotran; Pathologic Basic
of Disease Ninth edition. Philadelphia : Saunders Elsevier
Latan, Hengki. 2014. Aplikasi Analisis Data Statistik untuk Ilmu Sosial Sains
dengan IBM SPSS. Bandung: Alfa Beta.
Lawless, J. F. (2007). The statistical Analysis of Recurrent Event. USA: Springer
Science Business Media, Inc.
Lee, E. T. (1980). Statistical Methods for Survival Data Analysis. Belmont, CA:
Wadworth Publishers.
Lee, E. T. & Wang, J. W. (2003). Statistical Methods for Survival Data Analysis.
3rd Edition. New Jersey: John Wiley & Sons, Inc.
Longo D, Fauci A, Kasper D, Hauser S, Jameson J, Loscalzo J. (2011). Harrison's
Principle of Internal Medicine, 18 th edition. Philadelphia:McGraw-Hill.
74
X1 = Usia
X2 = 0 : Laki-laki 1 : Perempuan
X6 = 1 : Heteroseksual 2 : Homoseksual
3 : Biseksual 4 : Perinatal
X8 = Berat Badan
library(MVN)
data.hiv = read.delim("clipboard")
data.hiv$x6=factor(data.hiv$x6, levels =
c("1","2","3","4","6"), labels = c("Heteroseksual",
"Homoseksual", "Biseksual", "Perinatal", "Tidak diketahui"))
library(survival)
#cox
summary(regcox)
#menghilangkan x6
summary(regcox2)
#menghilangkan x10
regcox3= coxph(Surv(survival , status)~ x1+x2+x3+x4+x5+x7+x8+x9,
data = data.hiv, method = "breslow")
summary(regcox3)
#menghilangkan x2
regcox4= coxph(Surv(survival , status)~ x1+x3+x4+x5+x7+x8+x9, data
= data.hiv, method = "breslow")
summary(regcox4)
#menghilangkan x9
regcox5= coxph(Surv(survival , status)~ x1+x3+x4+x5+x7+x8, data =
data.hiv, method = "breslow")
summary(regcox5)
#menghilangkan x3
regcox6= coxph(Surv(survival , status)~ x1+x4+x5+x7+x8, data =
data.hiv, method = "breslow")
summary(regcox6)
#menghilangkan x4
regcox7= coxph(Surv(survival , status)~ x1+x5+x7+x8, data =
data.hiv, method = "breslow")
summary(regcox7)
#menghilangkan x1
regcox8= coxph(Surv(survival , status)~ x5+x7+x8, data = data.hiv,
method = "breslow")
summary(regcox8)
#menghilangkan x8
regcox9= coxph(Surv(survival , status)~ x5+x7, data = data.hiv,
method = "breslow")
summary(regcox9)
AIC (regcox)
AIC (regcox2)
AIC (regcox3)
AIC (regcox4)
AIC (regcox5)
AIC (regcox6)
AIC (regcox7)
AIC (regcox8)
AIC (regcox9)
summary(regcox8)
regcox8
regcox8$loglik
cox.zph(regcox8)
AIC (regcox9)
Lampiran 4 Script dan Output Regresi Cox Efron
library(MVN)
data.hiv = read.delim("clipboard")
data.hiv$x6=factor(data.hiv$x6, levels =
c("1","2","3","4","6"), labels = c("Heteroseksual",
"Homoseksual", "Biseksual", "Perinatal","Tidak diketahui"))
library(survival)
#cox
summary(regcox)
#menghilangkan x6
summary(regcox2)
#menghilangkan x10
regcox3= coxph(Surv(survival , status)~ x1+x2+x3+x4+x5+x7+x8+x9,
data = data.hiv, method = "efron")
summary(regcox3)
#menghilangkan x2
regcox4= coxph(Surv(survival , status)~ x1+x3+x4+x5+x7+x8+x9,
data = data.hiv, method = "efron")
summary(regcox4)
#menghilangkan x9
regcox5= coxph(Surv(survival , status)~ x1+x3+x4+x5+x7+x8, data =
data.hiv, method = "efron")
summary(regcox5)
#menghilangkan x3
regcox6= coxph(Surv(survival , status)~ x1+x4+x5+x7+x8, data =
data.hiv, method = "efron")
summary(regcox6)
#menghilangkan x4
regcox7= coxph(Surv(survival , status)~ x1+x5+x7+x8, data =
data.hiv, method = "efron")
summary(regcox7)
#menghilangkan x1
regcox8= coxph(Surv(survival , status)~ x5+x7+x8, data =
data.hiv, method = "efron")
summary(regcox8)
#menghilangkan x8
regcox9= coxph(Surv(survival , status)~ x5+x7, data = data.hiv,
method = "efron")
summary(regcox9)
AIC (regcox)
AIC (regcox2)
AIC (regcox3)
AIC (regcox4)
AIC (regcox5)
AIC (regcox6)
AIC (regcox7)
AIC (regcox8)
AIC (regcox9)
summary(regcox8)
regcox8
regcox8$loglik
Lampiran 5 Script dan Output Regresi Cox Exact
library(MVN)
data.hiv = read.delim("clipboard")
data.hiv$x6=factor(data.hiv$x6, levels =
c("1","2","3","4","6"), labels = c("Heteroseksual",
"Homoseksual", "Biseksual", "Perinatal", "Tidak diketahui"))
library(survival)
#cox
summary(regcox)
#menghilangkan x6
summary(regcox2)
#menghilangkan x10
regcox3= coxph(Surv(survival , status)~
x1+x2+x3+x4+x5+x7+x8+x9, data = data.hiv, method = "exact")
summary(regcox3)
#menghilangkan x2
regcox4= coxph(Surv(survival , status)~ x1+x3+x4+x5+x7+x8+x9,
data = data.hiv, method = "exact")
summary(regcox4)
#menghilangkan x9
regcox5= coxph(Surv(survival , status)~ x1+x3+x4+x5+x7+x8, data
= data.hiv, method = "exact")
summary(regcox5)
#menghilangkan x3
regcox6= coxph(Surv(survival , status)~ x1+x4+x5+x7+x8, data =
data.hiv, method = "exact")
summary(regcox6)
#menghilangkan x4
regcox7= coxph(Surv(survival , status)~ x1+x5+x7+x8, data =
data.hiv, method = "exact")
summary(regcox7)
#menghilangkan x1
regcox8= coxph(Surv(survival , status)~ x5+x7+x8, data =
data.hiv, method = "exact")
summary(regcox8)
#menghilangkan x8
regcox9= coxph(Surv(survival , status)~ x5+x7, data = data.hiv,
method = "exact")
summary(regcox9)
AIC (regcox)
AIC (regcox2)
AIC (regcox3)
AIC (regcox4)
AIC (regcox5)
AIC (regcox6)
AIC (regcox7)
AIC (regcox8)
AIC (regcox9)
cox.zph(regcox8)
regcox8$loglik
Lampiran 6 Script dan Output Regresi Cox Variabel Demografi
library(MVN)
data.hiv = read.delim("clipboard")
data.hiv$x2=factor(data.hiv$x2, levels = c("1","0"), labels =
c("Perempuan", "Laki-Laki"))
data.hiv$x3=factor(data.hiv$x3, levels = c("1","0"), labels =
c("Menikah", "Belum Menikah"))
data.hiv$x4=factor(data.hiv$x4, levels = c("1","2","3","4"),
labels = c("SD", "SMP", "SMA", "PT"))
data.hiv$x5=factor(data.hiv$x5, levels = c("1","0"), labels =
c("Bekerja", "Tidak Bekerja"))
data.hiv$x6=factor(data.hiv$x6, levels =
c("1","2","3","4","6"), labels = c("Heteroseksual",
"Homoseksual", "Biseksual", "Perinatal", "Tidak diketahui"))
data.hiv$x7=factor(data.hiv$x7, levels = c("1","0"), labels =
c("Stadium Berat", "Stadium Ringan"))
data.hiv$x9=factor(data.hiv$x9, levels = c("1","0"), labels =
c("Ada", "Tidak Ada"))
data.hiv$x10=factor(data.hiv$x10, levels = c("1","0"), labels =
c("Negatif", "Positif"))
library(survival)
#UJI REGRESI NONPAR
##Variabel Status Pekerjaan
regcox= coxph(Surv(survival , status)~
x1+x2+x3+x4+x6+x7+x8+x9+x10, data = data.hiv, method =
"exact")
summary(regcox)
regcox2= coxph(Surv(survival , status)~
x1+x2+x3+x4+x7+x8+x9+x10, data = data.hiv, method = "exact")
summary(regcox2)
regcox3= coxph(Surv(survival , status)~ x1+x2+x3+x4+x7+x8+x10,
data = data.hiv, method = "exact")
summary(regcox3)
regcox4= coxph(Surv(survival , status)~ x1+x2+x4+x7+x8+x10,
data = data.hiv, method = "exact")
summary(regcox4)
regcox5= coxph(Surv(survival , status)~ x1+x2+x4+x7+x8, data =
data.hiv, method = "exact")
summary(regcox5)
regcox6= coxph(Surv(survival , status)~ x1+x2+x4+x7, data =
data.hiv, method = "exact")
summary(regcox6)
regcox7= coxph(Surv(survival , status)~ x1+x2+x7, data =
data.hiv, method = "exact")
summary(regcox7)
• Variabel Usia
Lampiran 7 Tabel Chi-Square
Lampiran 8 Tabel Z Standard Normal Probabilities